背景：
我是推荐算法方向的面试，在面试的时候，使用word2vector的方法生成item的向量，来计算行为序列中的item跟待预估的item的相似度，来作为一维特征。
二面面试官问题：
Word2vect生成的向量，为什么可以计算相似度，相似度有什么意义？
答案分析：
term在相同的前后文中，认为两个term是等价的，它们学到的向量也更接近，所以item的向量计算相似度，表示两个向量的相似程度，也即是是否等价。
原理分析：
什么词算相似，一般可以认为，如果两个词的上下文越相似，这两个词也就越相似。比如牛在吃草，马在吃草，牛和马后面的词都一样。又或者是我家在北京，我家在上海，北京和上海的功能差不多，这两个词也就越相似，个人认为这也就是word2vec的出发点。
word2vec得出的词向量其实就是训练后的一个神经网络的隐层的权重矩阵，在经过CBOW或者Skip-Gram模型的训练之后，词义相近的词语就会获得更为接近的权重，因此可以用向量的距离来衡量词的相似度。
向量相似性，一般地，我们以向量的夹角来评价两个向量的相似性
这样我们就可以发现，如果有两向量u,v，
当u加上s*v时(s是正标量)，u和v的夹角变小，因此更相似，
当u减去s*v时(s是正标量)，u跟v的夹角变大，因此相似性减弱